فهرست مقالات طبقه‌بندی تصویر

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - تشخیص تومور مغزی در تصاویر رزونانس مغناطیسی با استفاده از شبکه عصبی کانولوشنی عمیق
  میترا  افسری نژاد نبي اله شیری رامین براتی
  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد چکیده کامل

  در این مقاله، تشخیص تومور مغز از طریق به کارگیری تکنیک‌های پیشرفته یادگیری عمیق مورد بررسی قرار گرفته است. رویکرد این مطالعه شامل توسعه و آموزش یک معماری جامع از شبکه عصبی کانولوشنی (CNN) با بهره‌گیری از یک مجموعه داده گسترده از تصاویر رزونانس مغناطیسی مغز (MRI) می¬باشد، مدل پیشنهادی در طبقه‌بندی بافت معمولی مغز و مناطق تحت تأثیر تومور بسیار توانمند است. این معماری شامل لایه‌های متعدد از جمله لایه‌های کانولوشنی، نرمال‌سازی دسته‌ای و لایه‌های پولینگ است که در نهایت به یک لایه قوی طبقه‌بندی منجر می‌شود. از طریق آموزش دقیق و بهینه‌سازی، شبکه عصبی کانولوشنی معرفی‌شده توانسته است در طبقه‌بندی تومور مغز به دقت بالایی دست یابد. اثربخشی این مدل پیشنهادی از طریق آزمایشات جامع به نمایش گذاشته شده که نشان‌دهنده قابلیت آن در تشخیص دقیق تومور مغز است. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - ارزیابی الگوریتم های طبقه بندی نظارت شده غیرپارامتریک در تهیة نقشه پوشش زمین با استفاده از تصاویر لندست 8
  وحید میرزایی زاده مریم نیک نژاد جعفر اولادی قادیکلایی
  هدف از این تحقیق ارزیابی کارایی سه الگوریتم ماشین بردار پشتیبان، درخت تصمیم گیری و شبکه عصبی مصنوعی فازی آرتمپ جهت تهیة نقشه پوشش زمین حوزه آبخیز ارکواز با استفاده از تصویر سنجنده OLI ماهواره لندست 8 (سال 1393) است. پس از تصحیح هندسی تصاویر و پیش پردازش های صورت گرفته، چکیده کامل

  هدف از این تحقیق ارزیابی کارایی سه الگوریتم ماشین بردار پشتیبان، درخت تصمیم گیری و شبکه عصبی مصنوعی فازی آرتمپ جهت تهیة نقشه پوشش زمین حوزه آبخیز ارکواز با استفاده از تصویر سنجنده OLI ماهواره لندست 8 (سال 1393) است. پس از تصحیح هندسی تصاویر و پیش پردازش های صورت گرفته، اقدام به تعیین نمونه های تعلیمی مربوط به طبقات پوشش زمین برای انجام عملیات طبقه بندی شد و ارزیابی تفکیک پذیری نمونه ها در هر کدام از طبقات پوشش زمین با استفاده از شاخص آماری واگرایی تعیین شد. به منظور ارزیابی صحت نتایج طبقه بندی هر کدام از الگوریتم ها، نقشه واقعیت زمینی با استفاده از روش سیستماتیک به ابعاد 550 متری طراحی و نوع پوشش زمینی آن ها در محل نمونه ها مشخص گردید. در نهایت، کارایی روش های طبقه بندی با استفاده از معیارهای صحت کلی، ضریب کاپا، صحت تولید کننده و صحت کاربر مورد بررسی قرار گرفت. مقایسة صحت های کلی و ضریب کاپای کسب شده برای سه طبقه بندی کننده با مجموعه باندی مناسب در مقایسه با نقشة واقعیت زمینی نشان داد که طبقه بندی کننده ماشین بردار پشتیبان با مقدار صحت کلی 26/91% و ضریب کاپای 8731/0 نتایج مطلوب تری نسبت به سایر الگوریتم ها دارد. نتایج همچنین نشان داد که تفکیک و طبقه بندی اراضی جنگلی از سایر طبقات کاربری منطقه با صحت بالا صورت گرفته است. پرونده مقاله